CN110059556A - 一种基于深度学习的变电站开关分合状态检测方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的变电站开关分合状态检测方法，包括下列步骤：第一步，构建变电站开关分合标识数据集：选取现场采集的多张开关分合可见光图像作为数据集并进行标注，数据集包含了“分”、“合”两种状态的开关状态；第二步，训练神经网络：选用YOLOv3网络作为基础网络模型，加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测，在YOLOv3网络结构的基础上，去掉最小尺度的网络层，残差块采用ResNet的残差结构，进行两倍的上采样，级联层用于张量的拼接，将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接，扩充张量的维度。

Description

一种基于深度学习的变电站开关分合状态检测方法

技术领域

本发明属于目标检测领域，尤其涉及一种应用深度学习技术的智能机器人巡检变电站图像中开关分合状态检测方法。

背景技术

近年来，南方电网在电力供应、绿色环保、社会和谐等方面承担着日益重大的社会责任。作为南方电网的重要一环，变电站的健康运作为电网系统安全运行提供了重要保障。

电力系统中，开关分合仪表是一种能够实时指示电力线路运行状态的指示性仪表，其应用非常广泛。正确识别开关分合状态是判断变电站运行状态以及排查电力故障的前提。变电站汉字式开关状态情况简单，仅包含“分”、“合”两种。但由于人工排查需要承担高压风险，通常利用机器人巡检图像并进行一系列的处理工作以进行识别来保障人身安全。在实际场景中，巡检图像易受光照、天气等外界环境的干扰，因此设计一种在不同外界条件下，稳定而准确地检测开关分合状态的自动化算法是一项具有挑战性的工作。

随着深度学习的流行，卷积神经网络(Convolutional Neural Network,CNN)可以取代传统手工设计特征，在提取图像通用性特征上效果显著，能够对图像进行稳定地描述。此外，为实现开关分合状态的实时监测以便及时纠正错误、确保电网安全，要求一种实时的检测算法。因此，本发明应用卷积神经网络进行图像特征提取，提出一种针对变电站开关分合表计的目标检测方法。

发明内容

本发明的目的在于提供一种基于卷积神经网络的变电站开关分合状态检测方法，实现识别准确、高效、实时的开关分合状态检测。为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的变电站开关分合状态检测方法，包括下列步骤：

第一步，构建变电站开关分合标识数据集：选取现场采集的多张开关分合可见光图像作为数据集并进行标注，数据集包含了“分”、“合”两种状态的开关状态。

第二步，训练神经网络：选用YOLOv3网络作为基础网络模型，加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测，在YOLOv3网络结构的基础上，去掉最小尺度的网络层，残差块采用ResNet的残差结构，进行两倍的上采样，级联层用于张量的拼接，将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接，扩充张量的维度。

本发明利用深度卷积神经网络的算法，设计了一种基于巡检图像的变电站开关分合状态检测方法。该方法针对智能巡检机器人采集的开关分合图像，进行一系列的处理和识别，包括数据集的制作、神经网络的训练和识别模型的测试。该检测方法可以同时实现开关分合表计位置的定位以及其分合状态的判断，智能地保障电力系统的安全运行。

附图说明

图1开关状态检测网络结构图

图2开关“分”状态检测率

图3开关“合”状态检测率

图4严重遮挡情况下的检测结果

具体实施方式

不同于传统的提取图像特征和进行目标配准的变电站开关分合仪表识别算法，本发明采用训练神经网络的方式进行开关分合标识的识别。通过训练基于卷积神经网络的目标检测网络，达到实时识别变电站开关分合的效果。

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。

第一步，构建变电站开关分合标识数据集。

本实验选用南方电网变电站2014年度，通过人工巡检或智能巡检机器人实地采集的302张开关分合可见光图像作为数据集进行实验。所有图像尺寸均为1920*1080。在实验中，按照5：1的比例随机划分数据集，获得50张图像作为训练集，252张图像作为测试集。数据集包含了“分”、“合”两种状态的开关状态。在数量较小的训练集上，测试本发明方法在小样本数据集上的效果。

第二步，训练神经网络。

在基于深度学习的目标检测算法中，相较于首先利用候选框来回归位置信息和类别信息的区域卷积神经网络算法，YOLO算法通过将图片划分为网格的方式，直接回归得到目标的位置及类别而无需进行候选框区域提名，因而能够大大节约检测时间。为实现实时检测，本发明选用YOLOv3算法作为基础网络模型。YOLOv3针对小物体的检测，加入了多尺度训练以采用多尺度来对不同尺寸的目标进行检测。

分析实验数据，本实验数据集图像尺寸为1920*1080，开关分合表计尺寸均大于300*300，即目标在整个图像中屏占比较大。因此本发明考虑减少多尺度训练的数量，以便节约训练时间同时在一定程度上解决训练过拟合的问题。本发明在YOLOv3网络结构的基础上，去掉其最小尺度的网络层。剩下两个尺度的默认框尺寸分别为13*13和26*26。对YOLOv3进行改进后，本发明的网络结构如图1所示。其中，卷积结构包括卷积层，批量归一化层和激活函数，共同组成了网络结构的基本组件。残差块的使用借鉴了ResNet的残差结构，使用这种结构可以使得网络更深。本发明中进行两倍的上采样。级联层用于张量的拼接，将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接，扩充张量的维度。

由于本发明所使用的数据尺寸较大，经过多次实验结果，最终决定训练参数调整方案：Batch设置为8，Subdivision设置为2，学习率设置为0.0001，迭代次数设置为10000次。测试检测模型时，测试时将Batch和Subdivision均设置为1，即每次只处理一张图像。整个实验在Darkent的深度学习框架下进行，实验环境为Ubuntu14.04操作系统，利用NVIDIA公司12GB显存的GTX TITAN X GPU进行网络的训练并利用CUDA进行训练的加速。由于网络中仅包含卷积层而没有全连接层，迭代10000次耗时仅需1个小时。

第三步，模型效果测试。

目标检测的技术衡量指标主要是平均精度均值(mAP)和查全率(Recall)。mAP主要反映检测的准确度，查全率主要反映检测是否全面。查全率(Recall)、准确率(Pecision)可以用以下公式表示：

其中，TP表示目标分类正确的数目，FN表示将目标错误分为其他类别的数目，FP表示将非目标物体误判为目标的数目。当算法求得的检测框与目标物体实际位置矩形框交并比大于0.5时，且分类正确时，则认为检测正确。作出准确率-召回率曲线，可表征算法的检测率。曲线下面的面积即为该类别的AP，mAP表示多个类别的平均AP值。mAP值越高表明该目标检测器性能越好。

在步骤二训练得到的神将网络上，针对包含252张图像的测试集进行测试，“分”“合”状态检测率分别如图2、图3所示。“分”状态检测率为0.9665，“合”状态检测率为0.9530，mAP为96％。在12GB 1080Ti GPU上运行算法，处理单张变电站开关图像的时间约为0.04s，可以达到检测的实时性。

该实验结果表明，在仅包含50张训练图像的小样本数据集上训练本发明网络结构，即实现了较好的检测效果，并且训练耗时仅1小时。当实验数据集得到扩充后，可以增加迭代次数，实现更准确的检测。图4展示了在严重遮挡情况下的检测效果，表明了在严重遮挡时，本发明方法依然有较好的定位及分类准确性。

Claims (1)

1.一种基于深度学习的变电站开关分合状态检测方法，包括下列步骤：

第一步，构建变电站开关分合标识数据集：选取现场采集的多张开关分合可见光图像作为数据集并进行标注，数据集包含了“分”、“合”两种状态的开关状态。

第二步，训练神经网络：选用YOLOv3网络作为基础网络模型，加入多尺度训练以采用多尺度来对不同尺寸的目标进行检测，在YOLOv3网络结构的基础上，去掉最小尺度的网络层，残差块采用ResNet的残差结构，进行两倍的上采样，级联层用于张量的拼接，将深层卷积特征图的上采样结果与相同尺寸的对应浅层卷积特征图进行拼接，扩充张量的维度。